פרוטוקול זה מתאר תהליך היברידי קוונטי-קלאסי שניתן לשחזור לסיווג מחלת פרקינסון מהקלטות קול אנושיות, כולל עיבוד נתונים מוקדם, יישום מעגלים קוונטיים, אימון מודלים ואימות הדדי לשכפול עצמאי.
הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.
מאמר מחקר
פרוטוקול היברידי קוונטי-קלאסי לשכפול לסיווג מחלת פרקינסון מתוך הקלטות קול אנושיות
במאמר זה
סיכום
תקציר
מחלת פרקינסון היא הפרעה נוירודגנרטיבית מתקדמת שעבורה שיטות סקר נגישות וזולות עדיין מוגבלות. הקלטות קול בתנועות מתמשכות מכילות סמנים אקוסטיים מדידים הקשורים לדיספוניה הקשורה למחלות, שניתן לרכוש ללא ציוד מיוחד. פרוטוקול זה מתאר רשת עצבית קונבולוציונית היברידית קוונטית-קלאסית בת ארבעה קיוביטים (QI-HCNN) המשלבת מעגל קוונטי פרמטרי עם שכבת סיווג קלאסית רדודה כדי לסיווג מחלת פרקינסון באמצעות תכונות קול אקוסטיות מוקטנות במימדות. הפרוטוקול גם משווה את הגישה המוצעת מול רשת עצבית קלאסית מותאמת ממדים ומסווגי עצים מוגברים על גרדיאנט, המתאמנים על קבוצות תכונות מצומצמות ומלאות. באמצעות מאגר נתונים זמין לציבור, לא מזוהה, הכולל 195 הקלטות קול מ-31 אנשים, השיג QI-HCNN שטח מתחת לעקומת מאפיין ההפעלה של המקלט של 0.78 באמצעות אימות צולב מדורג משולש, לעומת 0.87 לרשת הנוירונים הקלאסית התואמת ו-0.94–0.95 לקווי הבסיס המוגברים על הגרדיאנט שהתמקדו במערך המאפיינים המצומצם והמלא, בהתאמה. ניתוח אבלציה מבוקרת הראה שאחת משתי פעולות השזירה במעגל לא יכלה להשפיע על התפוקה הנמדדת לפי תכנון, בעוד שפעולת השזירה שנותרה הפחיתה ולא שיפרה את ביצועי הסיווג ביחס לווריאנט שאינו שזור. אימות צולב קבוצתי של מטופלים הראה כי הערכות הביצועים משתנות באופן משמעותי בהתאם לפרטים שהוקצו לקבוצת הבדיקה, מה שמשקף את גודל הקבוצה המוגבל. לכן, פרוטוקול זה מספק קו בסיס קוונטי-קלאסי מוגדר במלואו וניתן לשחזור באופן עצמאי, יחד עם הערכה נתמכת בנתונים של החוזקות והמגבלות של עיצוב המעגל הנוכחי, ומספק בסיס מתודולוגי לחקירות עתידיות במקום לתמוך בטענות על מוכנות אבחנתית.
מבוא
מחלת פרקינסון היא הפרעה נוירודגנרטיבית כרונית הנגרמת מאובדן הדרגתי של נוירונים דופמינרגיים ב-substantia nigra, המשפיעה על יותר מ-10 מיליון אנשים ברחבי העולם ומייצגת נטל בריאותי ציבורי משמעותי וגדל. המחלה גורמת הן לתסמינים מוטוריים, כולל רעד, נוקשות וברדיקינזיה, וגם תסמינים לא מוטוריים כמו הפרעות שינה ואנוסמיה. האבחון הקליני מתבסס בעיקר על בדיקה נוירולוגית באמצעות סולמות דירוג מוטורי סטנדרטיים, המושלמים, במידת האפשרות, באמצעות הדמיית נשא דופמין; עם זאת, שתי הגישות דורשות מומחיות ותשתית מקצועית שאינן נגישות באופן אחיד, והערכה קלינית מוקדמת נשארת סובייקטיבית2. מכיוון שאין כיום טיפול לשינוי מחלה, גילוי מוקדם הוא בעל ערך בעיקר כי הוא מאפשר ניהול סימפטומי מוקדם יותר ומעקב לאורך זמן. צורך זה הוביל לפיתוח גישות סקר זולות, ניתנות להרחבה ולא פולשניות, שיכולות להשלים ולא להחליף את ההערכה הקלינית.
פגיעה קולית היא בין השינויים המדידים הראשונים הקשורים למחלת פרקינסון ולעיתים קרובות מקדימה תסמינים מוטוריים גלויים3. פונציה מתמשכת של תנועה מוחזקת מספקת אות מבוקר שממנו ניתן להפיק תכונות אקוסטיות, כולל ג'יטר, שימר, יחס הרמוני לרעש, אנטרופיית צפיפות תקופת חזרה וניתוח תנודות מנותקות. תכונות אלו הוכחו שוב ושוב כמכילות מידע אבחוני רלוונטי וניתן לרכושן באמצעות ציוד הקלטה ברמת צרכן 4,5. מערך נתונים זמין לציבור שמקורו בקלטות כאלה הפך לבסיס ניסוי סטנדרטי למשימה זו, ושיטות למידת מכונה קלאסיות המיושמות על כל מערך התכונות, כולל מכונות וקטוריות תמיכה, יערות אקראיים ועצים עם הגברת גרדיאנט, דיווחו על ערכי שטח מתחת לעקומת המאפיין המפעילה את המקלט המתקרבים ל-0.99 6,7,8, מה שמרמז כי משימת הסיווג קרובה לפתרון כאשר משתמשים במערך התכונות המלא ובאסטרטגיות המתאימות להתמודדות עם חוסר איזון מחלקות. למידת מכונה קוונטית צמחה כפרדיגמה חישובית חלופית למשימות סיווג ביו-רפואי, שבה מעגלים קוונטיים פרמטריים משתמשים בסופרפוזיציה ובשזירה כדי לייצג אינטראקציות תכונות עם מעט פרמטרים ניתנים להדרכה, וניתן לחשב גרדיאנטים של מעגלים אנליטית באמצעות כלל הזזת פרמטרים במקום קירובים בהפרש סופי9. עם זאת, מחקרים רבים שפורסמו המתארים רשתות עצביות "קוונטיות" או "בהשראת קוונטום" ליישומים ביורפואיים מיישמים ארכיטקטורות קלאסיות לחלוטין המאמצות פורמליזמים מתמטיים בהשראת קוונטום, מבלי לבצע מעגל קוונטי פרמטרי אמיתי על סימולטור או חומרה קוונטית10. פיתוחים אחרונים בזיהוי מחלת פרקינסון כללו גם ארכיטקטורות רשת עצבית קונבולוציונית היברידיות11, שיטות למידה עמוקה מבוססות קשב להדמיית תהודה מגנטית (MRI)12, ורשתות עצביות קונבולוציונליות קלות משקל המיועדות לאבחון חישובית יעיל13, הממחיש את ההתרחבות המהירה של גישות בינה מלאכותית במגוון מודאליות נתונים. באופן רחב יותר, אבחון לא פולשני בעזרת מחשב הורחב בהצלחה ליישומים ביו-רפואיים נוספים, כולל צינורות היברידיים של למידת מכונה ולמידה עמוקה להדמיה רפואית14. הערכות השוואתיות של ארכיטקטורות למידה עמוקה על אותו מאגר נתונים קולי ציבורי מדגימות עוד יותר את הביצועים החזקים שניתן להשיג באמצעות מודלים קלאסיים מלאים קונבנציונליים15.
התפתחויות אלו מדגישות צורך מתודולוגי ספציפי במודל רשת עצבית קונבולוציונית היברידית קוונטית-קלאסית (QI-HCNN) שניתן לשחזור (i) מבצע מעגל קוונטי פרמטרי אמיתי ומוגדר במלואו; (ii) נמדד באמצעות תכונות קלט זהות מול רשת עצבית קלאסית תואמת אדריכלית וקו בסיס קלאסי חזק; ו-(iii) מוערך באמצעות פרוטוקול שבוחן במפורש את מקורות ההטיה העיקריים במאגרי נתונים ביו-רפואיים קטנים, כולל חוסר איזון מעמדי, בלבול דמוגרפי ודליפת נתונים ברמת המטופל במהלך אימות הדדי.
המטרה הכוללת של פרוטוקול זה היא לספק זרימת עבודה QI-HCNN הניתנת לשחזור מלא לסיווג מחלת פרקינסון באמצעות הקלטות קול אנושיות. הפרוטוקול מתאר מעגל קוונטי פרמטרי של ארבעה קיוביטים המשתמש בקידוד זווית, שתי שכבות שזירה מבוססות NOT מבוקרות, ושכבת וריאציה ניתנת לאימון המותאמת באמצעות כלל הזזת הפרמטרים, בשילוב עם ראש סיווג קלאסי רדוד ומיושמת על ייצוג רכיבי עיקרי בעל ארבעה רכיבים של מאגר נתוני הקלטת קול זמין לציבור. זרימת העבודה מפרטת, ברמה מספקת לשכפול עצמאי, את כל נהלי העיבוד המוקדם, בניית המעגל המלאה, תצורת האימון הקלאסית ונהלי הערכה, כולל השוואות לרשת עצבית קלאסית מותאמת ממדים, קווי בסיס של עץ מותאמים לממד ותכונות מלאות עם הגברת גרדיאנט, אבלציות מבוקרות של רכיבי מעגל, אימות צולב קבוצתי על ידי מטופלים להערכת רגישות למשתתפים שהוחזקו, וסטטיסטיקה מפורשת בדיקת חשיבות. במקום להציג רק תוצאות חיוביות, הפרוטוקול נועד לדווח בשקיפות כאשר רכיבי מעגל בודדים אינם משפרים באופן מדיד ביצועים, ובכך לספק מסגרת מתודולוגית ניתנת לשחזור שיכולה להנחות פיתוח עתידי של ארכיטקטורת QI-HCNN למשימות סיווג ביו-רפואיות בקבוצה קטנה.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
פרוטוקול
פרוטוקול זה עושה שימוש במאגר נתונים של הקלטת קול של צד שלישי, שאינו מזוהה לציבור. לא נאספו נתונים חדשים על בני אדם על ידי המחברים, ולא נדרשה אישור נוסף של ועדת ביקורת מוסדית (IRB) למחקר זה. מערך הנתונים המתואר בסעיף רכישת נתונים וטיפול ברמת משתתף נאסף במקור באישור אתי מוסדי על ידי ליטל ואח', אינו מכיל מידע מזהה ישירות של משתתפים (רק מזהי הקלטה אנונימיים), וזמין לציבור לשימוש מחקרי. אשר, בהתאם למדיניות המוסדית שלך, האם ניתוח משני של מאגר הנתונים הזמין לציבור דורש סקירה אתית. במוסד של המחברים, נקבע כי ניתוח משני רטרואקטיבי של מאגר נתונים זה, שאינו מזוהה לחלוטין ומאוחסן לציבור, פטור מסקירה מלאה של IRB.
רכישת מערכי נתונים וטיפול ברמת המשתתף
מאגר סיווג מחלת פרקינסון (מאגר למידת מכונה של UCI, מזהה 174), שתואר במקור על ידי ליטל ואחרים, הורד. מאגר הנתונים כלל 195 הקלטות תנועה מתמשכת /a/ מ-31 אנשים (23 אובחנו עם מחלת פרקינסון ו-8 ביקורת בריאה; טווח גילאים 46–85 שנים). מכיוון שהמאגר אינו מספק DOI גרסה, תאריך ההורדה המדויק נרשם ודווח בטבלת החומרים. מאגר הנתונים סופק כקובץ ערכים מופרדים בפסיקים (CSV) (parkinsons.csv). לא נדרשה דה-קומפרסיה או המרת קבצים, והקובץ יובא ישירות באמצעות פונקציית read_csv מספריית Pandas (ראו טבלת חומרים).
מערך הנתונים שהורד אומת כמכיל 195 שורות ו-24 עמודות הכוללות עמודת זיהוי הקלטה אחת (פורמט: phon_R01_S 
נושא
_ הקלטה), 22 עמודות תכונה אקוסטית רציפות (טבלה 1), ועמודת תווית בינארית אחת (סטטוס: 1 = מחלת פרקינסון; 0 = ביקורת בריאה). טבלה 1 שימשה כהפניה לכל התכונות האקוסטיות וקטגוריות התכונות לאורך כל הפרוטוקול.
| קטגוריה | מאפיינים מייצגים | חשיבות קלינית |
| תדר יסודי | MDVP:Fo(Hz), MDVP:Fhi(Hz), MDVP:Flo(Hz) | תדר ממוצע, מקסימלי ומינימלי של פונציה בסיסית; משקף יציבות של רטט מיתרי הקול. |
| ג'יטר (הפרעה בתדר) | MDVP:Jitter(%), MDVP:Jitter(Abs), MDVP:RAP, MDVP:PPQ, Jitter:DDP | שונות מחזור למחזור בתקופת גובה הצליל, המשקפת פגיעה בשליטה המוטורית של הגריון. |
| נצנוץ (הפרעה בעוצמה) | MDVP:Shimmer, MDVP:Shimmer(dB), Shimmer:APQ3, Shimmer:APQ5, MDVP:APQ, Shimmer:DDA | שונות במחזור למחזור במשרעת האות, המשקפת פונציה נשיפה או לא יציבה. |
| מדדי רעש | NHR, HNR | היחס בין רעש לרכיבים הרמוניים (טונליים) של אות הקול. |
| דינמיקה לא ליניארית / קנה מידה פרקטלי | RPDE, D2, DFA, spread1, spread2, PPE | מדדים של דינמיקה קולית לא ליניארית, מחזוריות וקורלציות זמן ארוכות טווח הקשורות לרטט מיתרי הקול. |
טבלה 1: קטגוריות תכונות אקוסטיות המשמשות לסיווג מחלת פרקינסון. 22 תכונות הקול האקוסטי שנלקחו ממאגר נתוני סיווג מחלת פרקינסון מקובצות לחמש קטגוריות תכונות: תדר יסודי, ג'יטר, שימר, מדידות רעש ודינמיקה לא ליניארית. מאפיינים מייצגים מפורטים לכל קטגוריה יחד עם המשמעות הקלינית המתאימה. MDVP, תוכנית קול רב-ממדית; RAP, הפרעה ממוצעת יחסית; PPQ, מנה הפרעה לתקופת גובה הצליל; APQ, מנה הפרעה בעוצמה; DDP, הבדל בהבדלים במחזורים; DDA, הפרש מוחלט ממוצע של אמפליטודים; יחס רעש להרמוניקה NHR; HNR, יחס הרמוניות לרעש; RPDE, אנטרופיה צפיפות תקופת החזרה; D2, ממד קורלציה; DFA, ניתוח תנודות עם מגמה נמוכה; ציוד מגן אישי, אנטרופיה בתקופת גובה הצליל.
מזהה משתתפים הופק לכל הקלטה על ידי ניתוח תת-המחרוזת שלפני התווים הסופי בשם ההקלטה. לדוגמה, phon_R01_S01_1 ו-phon_R01_S01_2 הוקצו למשתתף S01. מזהי משתתפים, במקום מזהי הקלטה, שימשו לאחר מכן בכל הליכי האימות הקבוצתיים או 'השארת משתתף אחד' שתוארו בתת-סעיף פרוטוקול ההערכה , משום שההקלטות שהתקבלו מאותו משתתף קשורות אקוסטית. לאחר החילוץ, נוצרה טבלת תדרים של המזהים ונבדקה כדי לוודא שכל 195 ההקלטות הוקצו בדיוק ל-31 משתתפים ייחודיים, שאף הקלטה לא נותרה בלתי מוקצת, ושמספר ההקלטות לכל משתתף תואם לתיעוד מאגר הנתונים המקור.
התפלגות הכיתה נמדדה הן ברמת הרישום (147 רישומים של מחלת פרקינסון, 75.4%; 48 רישומים בריאים בביקורת, 24.6%) והן ברמת המשתתפים (23 מתוך 31 משתתפים, 74.2%, אובחנו עם מחלת פרקינסון). שתי ההתפלגויות דווחו משום שאי האיזון ברמת ההקלטה ורמת המשתתף אינם זהים ומשפיעים על ההערכה במורד הזרם.
היעדר קבוצות מחלת פרקינסון וקבוצות ביקורת בריאה תואמות גיל או מין במאגר הנתונים המקוריים תועד כמגבלה במחקר והועבר לדיון, מאחר שמאפיין זה משקף את איסוף הנתונים המקורי ואינו ניתן לתקן באמצעות עיבוד מוקדם בהמשך.
צינור עיבוד מוקדם
כל הליכי הקדם-עיבוד בוצעו באופן עצמאי בכל תחום אימון של הליך האימות הצולב המתואר בסעיף פרוטוקול ההערכה . גם שלבי הנרמול של Min–Max וגם ניתוח רכיבים עיקריים (PCA) הותאמו באמצעות חלוקת האימון של כל קיפול בלבד. הטרנספורמציות המותאמות הוחלו לאחר מכן על מחיצת הבדיקה המוחזקת המתאימה ללא התאמה מחדש כדי למנוע דליפת מידע ממחלקת הבדיקה לפרמטרי הקדם-עיבוד.
22 המאפיינים האקוסטיים הגולמיים בכל מחיצת אימון נורמל באמצעות סקלר Min–Max עם טווח פלט של [0, π]. הסקיילר המותאם הוחל אז על חלוקות האימון והבדיקה של הקיפול המתאים (משוואה 1). משוואה 1 עוקבת אחרי ניסוח הנורמליזציה הסטנדרטי Min–Max והוגדרה עבור הפרוטוקול הנוכחי. נורמליזציה של Min–Max בוצעה באמצעות מחלקת MinMaxScaler מ-scikit-learn (גרסה 1.8.0) עם feature_range=(0, π), copy=True, ו-clip=False.
(1)
מודל PCA עם n_components = 4 הותקן באמצעות נתוני האימון המנורמליים בלבד. הטרנספורמציה המותאמת של PCA יושמה אז הן על מחיצות האימון והן על מחיצות הבדיקה. החלק של השונות הכוללת שהוסב על ידי ארבעת הרכיבים העיקריים שנשמרו נרשם עבור כל קיפול. בין הניתוחים המדווחים כאן, ארבעת המרכיבים העיקריים שנשארו הסבירו 81.5% מהשונות הכוללת (50.3%, 16.3%, 9.4% ו-5.5%, בהתאמה). PCA בוצע באמצעות מחלקת PCA עם n_components=4, svd_solver="מלא", whiten=False, ו-random_state=42.
מכיוון ש-PCA עשוי לייצר ציוני רכיבים בעלי ערכים שליליים, הותקן סקלר מינימ-מקס שני עם טווח פלט של [0, π] באמצעות מחיצת האימון המומרת על ידי PCA. הסקילר המותקן הוחל לאחר מכן הן על מחיצות האימון והן על מחיצות הניסוי. כל ערך מבחן-חלוקה שהוסב ונפל מחוץ לטווח [0, π] נחתך לגבול הקרוב ביותר כי הסקילר הותקן רק באמצעות מחיצת האימון. לא היו תכונות של אפס שונות במאגר הנתונים. טווח כל הסרטים בכל 195 ההקלטות היה חיובי לחלוטין; לכן, לא נוצר תנאי חלוקה באפס. דבר זה אושר על ידי אימות שהפלט המוקנה גודל אינו מכיל NaN או ערכים אינסופיים.
ארבעת הרכיבים העיקריים המנורמליים הוקצו ברצף כזוויות סיבוב עבור קיוביטים 0, 1, 2 ו-3 במהלך תהליך קידוד הזווית המתואר בסעיף בניית מעגלים קוונטיים . הרכיב הראשי הראשון הוקצה לקיוביט 0, השני לקיוביט 1, השלישי לקיוביט 2, והרביעי לקיוביט 3. זה השלים את צינור העיבוד המוקדם והעביר את התכונות הקלאסיות המעובדות למעגל הקוונטי. לאחר שלב הסקיילינג המינימלי-מקסי השני, כל ערכי הפלט אושרו כשנמצאים בתוך התקופה [0, π]. ערכי חלוקת בדיקה שירדו מעט מחוץ לטווח זה בגלל עיגול נקודה צפה נחתכו לגבול הקרוב ביותר באמצעות פונקציית קליפ מ-NumPy (גרסה 2.4.4). הליך זה הבטיח שכל ארבעת הכניסות לשכבת קידוד הזווית יהיו זוויות סיבוב תקפות בתוך הפרק [0, π].
בניית מעגלים קוונטיים
מעגל ארבעת הקיוביטים נבנה באמצעות סימולטור וקטור המצב המפורט בטבלת החומרים ורצף השערים המתואר להלן. קובץ קידוד משלים 1 שימש כמימוש מלא של מעגל הרצה, כולל את כל פונקציות העזר לבניית שערים וחישוב גרדיאנט הזזת פרמטרים. איור 1 מציג את כל תהליך העבודה מהעיבוד המוקדם של הקלטת קול דרך ארבע שכבות המעגל, ראש העיבוד הקלאסי, והסיווג הסופי.
איור 1. ארכיטקטורת מערכת וזרימת עבודה של מעגלים קוונטיים. זרימת עבודה לסיווג מחלת פרקינסון מתוך הקלטות קול אנושיות. הדיאגרמה מציגה עיבוד מקדים של הקלטת קול, אימות צולב בשכבות או קבוצות מטופלים, ביצוע מעגלים קוונטיים עם פרמטרים של ארבעה קיוביטים, מדידת פאולי-Z בקיוביט יחיד על קיוביט 0, עיבוד פוסט-סיווג מסורתי, וסיווג בינארי סופי כמחלת פרקינסון או בקרה בריאה. CNOT, שער לא מבוקר; PCA, ניתוח רכיבים עיקריים; ReLU, יחידה ליניארית מתוקנת. אנא לחצו כאן כדי לצפות בגרסה מוגדלת של הדמות הזו.
רגיסטר בן ארבעה קיוביטים אותחל במצב בסיס חישובי ∣0000.
לשכבת קידוד הזווית, הוחל שער סיבוב Ry (xi) על קיוביט i, כאשר i = 0,1,2,3, באמצעות ארבע הזוויות שנוצרו על ידי צינור העיבוד המוקדם (משוואה 2). משוואה 2 מתארת את הליך קידוד הזווית הסטנדרטי המשמש במעגלים קוונטיים פרמטריים, בהתאם למסגרת הלמידה של מעגלים קוונטיים פרמטריים של Mitarai ואחרים, ויושמה כאן בתצורת ארבעת הקיוביטים הספציפית שהוגדרה לפרוטוקול הנוכחי.
(2)
לשכבת השזירה הראשונה, הוחל שרשרת עגולה של שערי NOT מבוקרים בסדר הבקרה-יעד הבא: (0,1), (1,2), (2,3) ו-(3,0).
בשכבת הווריאציונלית, שמונה הפרמטרים הניתנים להפעלה w עד w 7 אותחלו על ידי דגימה בלתי תלויה מהתפלגות נורמלית עם ממוצע 0 וסטיית תקן של 0.3. הזרע האקראי ששימש נרשם בטבלת החומרים. שמונת הפרמטרים הקוונטיים הווריאציונליים אותחלו באמצעות numpy.random.default_rng(42 + fold_index).normal(0, 0.3, גודל = 8), כאשר fold_index הוא מספר הקיפול המבוסס על אפס, ובכך מספקים אתחולים ספציפיים אך ניתנים לשחזור. לכל קיוביט i = 0,1,2, ו-3, הוחל שער Rz(wi), ואחריו שער R y(wi+4) (משוואה 3). משוואה 3 מתארת שכבת קוונטית וריאציונית (ניתנת לאימון) התואמת את מסגרת הלמידה הקוונטית הפרמטרית הכללית שהוצגה על ידי Mitarai ואחרים, והוצגה כאן באמצעות רצף שערים ספציפי ופרמטריזציה שהוגדרו לפרוטוקול הנוכחי.
(3)
לשכבת השזירה השנייה, יושמה שרשרת פתוחה של שערי NOT מבוקרים בסדר הבקרה-יעד הבא: (0,1), (1,2) ו-(2,3). שרשרת זו לא נסגרה חזרה לקיוביט 0.
הערך הצפוי של אופרטור פאולי על קיוביט 0 בלבד, 
, חושב באמצעות מכפלת פנימית של וקטור מצב. ביצוע מעגלים השתמש בסימולטור וקטור מצב מותאם אישית שיושם באמצעות פעולות מערך נומרי סטנדרטיות (קובץ קידוד משלים 1; qhcnn.py). Complex128 precision (numpy.complex128) שימש לאורך כל התוכנית. ערכי התוחלת חושבו אנליטית ממכפלה פנימית של וקטור המצב; לכן, לא בוצעה דגימה מבוססת זריקה. לא נדרשה מסגרת מחשוב קוונטי של צד שלישי. אם היה בסימולטור מבוסס דגימה או במכשיר קוונטי במקום סימולטור וקטור מצבים (statevector simulator), היו מתבצעות מדידות חישוביות חוזרות של קיוביט 0, ותדרי הסיביות שנוצרו היו מומרות לערך ציפייה (משוואה 4). משוואה 4 היא נוסחת ערך תוחלת קוונטית-מכנית סטנדרטית ויושמה כאן על הנוסחה היחידה בקיוביט היחיד של פאולי- תצפית שהוגדרה עבור הפרוטוקול הנוכחי. מכיוון שלא בוצעה דגימה מבוססת זריקה, לא נדרשה הפחתת שגיאות מדידה. הסימולטור השתמש באינדקסינג קיוביט ביג-אנדיאני, כאשר קיוביט 0 מתאים לביט המשמעותי ביותר באינדקס וקטור המצב. קונבנציה זו נלקחה בחשבון במפורש בעת בניית ה-Pauli- נצפית כדי להבטיח שערך הציפייה הנכון נמדד.
(4)
הגרדיאנט של ביחס לכל אחד משמונה הפרמטרים הווריאציונליים חושב באמצעות כלל הזזת הפרמטרים. המעגל הוערך פעמיים עבור כל פרמטר בכל חישוב גרדיאנט, פעם אחת ב-θ + π/2 ופעם אחת ב-θ - π/2 (משוואה 5). משוואה 5 היא כלל הזזת הפרמטרים הסטנדרטי שהוצגו על ידי מיטראי ואחרים, ויושמה כאן ללא שינוי.
(5)
שכבת השזירה השנייה, כפי שצוין לעיל, מעולם לא יישמה שער מבוקר-NOT עם קיוביט 0 כמטרה. מכיוון ששער מבוקר-NOT משאיר את המצב המופחת של קיוביט הבקרה שלו ללא שינוי, שכבת השזירה השנייה לא יכלה להשתנות , ללא קשר לערכי הפרמטרים הניתנים להדרכה. כדי לאפשר לשכבת השזירה השנייה להשפיע על הפלט הנמדד בפרוטוקול מותאם, יש לכלול קיוביט 0 כמטרה, למשל על ידי סגירת השרשרת עם שער נוסף (3,0) מבוקר-NOT, או שיהיה צורך למדוד תצפית רב-קיוביטית במקום ערך תצפית של קיוביט יחיד. שכבת השזירה השנייה שצוינה במקור נשמרה בפרוטוקול זה, ותרומתה הנמדדת דווחה במפורש בסעיף התוצאות ולא תוקנה בשקט, משום שהתנהגות המעגל הזו היא חלק מהממצאים הנוכחיים.
שכבת עיבוד פוסט-פרוססינג קלאסית
שלב העיבוד הקלאסי כלל רשת עצבית קדימה שיושמה באמצעות פעולות מספריות סטנדרטיות מבוססות מערך המפורטות בטבלת החומרים. פלט המעגל הסקלרי היחיד, 
, ממופה לשמונה יחידות נסתרות באמצעות שכבה מחוברת במלואה, ואחריה הפעלה של יחידה ליניארית (ReLU). במהלך ההכשרה הוחל שכבת נשירה עם הסתברות שימור של 0.8 (שיעור נשירה = 0.2). שמונה היחידות הנסתרות מופו לאחר מכן ליחידת פלט אחת באמצעות שכבה שנייה מחוברת במלואה, והופעלה פונקציית הפעלה סיגמואידי ליצירת הסתברות המחלקה הסופית, ŷ (משוואה 6). משוואה 6 מגדירה את ארכיטקטורת העיבוד הקלאסית הספציפית המשמשת בפרוטוקול הנוכחי וכוללת פעולות סטנדרטיות ליניאריות, יחידות ליניאריות (ReLU) וסיגמואידיות.
(6)
מטריצות המשקל של השכבה הראשונה והשנייה אותחלו על ידי דגימה עצמאית מהתפלגות נורמלית עם ממוצע 0 וסטיית תקן של 0.5, בעוד שכל מונחי ההטיה אותחלו ל-0. אותו מופע מחולל מספרים אקראיים ואותו seed ששימשו לאתחול פרמטרי הווריאציה הקוונטית שימשו גם בשכבה הקלאסית כדי להבטיח שחזור הרצה-לריצה. באופן ספציפי, מטריצות המשקל הקלאסיות אתחולו באמצעות numpy.random.default_rng(42 + fold_index).normal(0, 0.5, size=...), בעוד שכל מונחי ההטיה היו מאותחלים לאפס. מופע יחיד של מחולל מספרים אקראיים, מאותחל ב-42 + fold_index, נוצר בתחילת כל קיפול של אימות צולב ונעשה בו שימוש חוזר ברצף לאתחול פרמטרים קוונטיים, אתחול משקל קלאסי, ערבוב מיני-אצווה ויצירת מסכת dropout, במקום להשתמש בזרמי זרע נפרדים לכל תהליך.
במהלך האימון, נפילת הכדור יושמה על ידי יצירת מסכה בינארית חדשה בכל מעבר קדימה לפי קונבנציית ה-inverted-dropout, שבה היחידות ששרדו הוגדלו ב-1/0.8. במהלך האימות והבדיקות, ניתוק הושבת לחלוטין, והרשת המלאה והלא מורחבת שימשה לצורך הסקנה.
המודל המשולב QI-HCNN כלל 33 פרמטרים ניתנים לאימון: שמונה פרמטרים קוונטיים של וריאציה מהמעגל הקוונטי ו-25 פרמטרים קלאסיים. הרכיב הקלאסי כלל שמונה משקלים ושמונה הטיות בשכבה הראשונה המחוברת במלואה, יחד עם שמונה משקלים והטיה אחת בשכבה השנייה המחוברת במלואה. ממדי טנזור המשקל וההטיה היו 
ו- 
. שכבת העיבוד הקלאסית יושמה כולה באמצעות פעולות מערך נומרי סטנדרטיות, ללא מסגרת למידת מכונה נוספת. כל החישובים הקלאסיים בוצעו באמצעות אריתמטיקה של float64 (דיוק כפול).
הכשרת מודלים
המעגל הקוונטי המתואר בתת-הסעיף של בניית המעגל הקוונטי ושכבת העיבוד הקלאסית המתוארת בקטע שכבת העיבוד הקלאסי שולבו למודל יחיד שניתן להכשיר מקצה לקצה. כל 33 הפרמטרים הניתנים לאימון אופטימיזציה משותפת באמצעות אופטימייזר אדם עם קצב למידה התחלתי של 0.01 ודעיכת משקל, שמיושמת כעונש L2 של , שהוחל רק על מטריצות משקל קלאסיות. אופטימייזר אדם יושם ידנית באמצעות פעולות מערך נומרי סטנדרטיות עם ההגדרות הבאות: קצב למידה = 0.01, β1 = 0.9, β2 = 0.999, ∈ = 1 × 10-8, ודעיכת משקל = 1 × 10-4, שהוחלו רק על מטריצות משקל קלאסיות ולא על מונחי ההטיה או פרמטרים של וריאציה קוונטית.
אנטרופיה חוצה בינארית שימשה כפונקציית הפסד. בהליך איזון המחלקות לאחר הפיצול המתואר בסעיף פרוטוקול ההערכה, תרומת האובדן של כל דגימת אימון שוקלה על ידי התדירות ההפוכה של המחלקה בתוך חלוקת האימון של הקיפול הנוכחי. עבור הפרוטוקול הלא מאוזן, הוקצו משקלי דגימות אחידים. אנטרופיה בינארית חושבה כאובדן ממוצע בכל הדגימות בתוך כל מיני-אצווה באמצעות נוסחת האנטרופיה הבינארית הסטנדרטית.
המודל אומן ל-30 תקופות באמצעות מיני-אצווה של 16 דגימות. דגימות האימון ערבבו באקראי בתחילת כל תקופה באמצעות numpy.random.default_rng(42 + fold_index).permutation(n) ליצירת סדר דגימות אקראי. כאשר מספר דגימות האימון לא היה מתחלק באופן שווה ב-16, המיני-אצווה הקטנה האחרונה נשמרה ועובדה בגודלה האמיתי במקום להיזרק.
במהלך ההכשרה הוחל לוח זמנים לקצב למידה מדורגת. קצב הלמידה הוכפל ב-0.7 לאחר כל 10 עידנים שהושלמו, במיוחד בתחילת תקופות 11 ו-21.
גרדיאנטים לשמונת הפרמטרים הווריאציונליים הקוונטיים חושבו באמצעות כלל הזזת הפרמטרים המתואר בסעיף Quantum Circuit Construction . גרדיאנטים ל-25 הפרמטרים הקלאסיים חושבו באמצעות דיפרנציאציה סטנדרטית של מצב הפוך דרך השכבה הקלאסית בלבד. פלט המעגל הקוונטי, , וגרדיאנטים של הזזת פרמטרים שימשו כממשק בין המעגל הקוונטי לשכבה הקלאסית. כל 33 הפרמטרים עודכנו באמצעות אותו מופע אדם אופטימייזר.
לא נעשה שימוש בהפסקה מוקדמת מבוססת אימות. כל מודל אומן ללוח זמנים קבוע של 30 אפוקים, וביצועי מבחן-חלוקה מוחזקים דווחו לאחר סיום התקופה הסופית. כל פרמטרי המודל (פרמטרים של וריאציה קוונטית, מטריצות משקל קלאסיות ומונחי הטיה) אותחלו מחדש באופן עצמאי בתחילת כל קיפול צולב באמצעות זרע אקראי ספציפי לקפל (42 + fold_index). הפרמטרים לא היו משותפים בין קיפולים או ריצות בסיס.
הסביבה החישובית, כולל מעבד, זיכרון, גרסאות תוכנה וזמן אימון משוער של שעון קיר לכל קיפול, נרשמה בטבלת החומרים.
פרוטוקול הערכה
ביצועי המודל הוערכו באמצעות הליכי אימות צולב ברמת ההקלטה וברמת המשתתף, יחד עם השוואות מודל בסיסי, ניתוחי איזון מחלקות, ניסויי אבלציה במעגלים, בדיקות מובהקות סטטיסטיות וניתוחי חשיבות תכונה.
בהערכה הראשונית, 195 הקלטות הקול חולקו לשלושה קפלים שכבתיים באמצעות זרע אקראי קבוע, תוך שמירה על יחס מחלת פרקינסון/שליטה בריאה ברמת ההקלטה של 75.4%/24.6% בכל קיפול. המודל שתואר בקטעים הקודמים אומן באמצעות שני קיפולים והוערך על הקיפול הנותר שהוחזק, וההליך חזר על עצמו עד שכל קיפול שימש פעם אחת כחלוקת הבדיקה. דיוק, דיוק, שחזור, ציון F1 ושטח תחת עקומת מאפיין הפעולה של המקלט (AUC–ROC) חושבו לכל קיפול ודווחו כסטיית תקן ממוצעת ± בין שלושת הקיפולים. אימות צולב ראשוני בשלושה שכבות יושם באמצעות מחלקת StratifiedKFold עם n_splits=3, ערבוב=נכון, ו-random_state=42.
תחזיות מחלקות בינאריות נוצרו על ידי יישום סף הסתברות קבוע של 0.50 על הסתברות המחלקה החזויה, ŷ, שנוצרה על ידי שכבת העיבוד הקלאסי. דיוק, דיוק, שחזור וציון F1 חושבו מתוך תחזיות סף אלו, בעוד ש-AUC–ROC חושב ישירות מערכי הסתברות רציפים ללא סף. דיוק, שחזור וציון F1 חושבו באמצעות פונקציות מטריות עם zero_division=0, והקצו ערך 0.0 לכל מדד לא מוגדר. לא התרחש מצב לא מוגדר כזה במהלך הניסויים המדווחים.
מודלים בסיסיים הוערכו באמצעות מחיצות קיפול זהות וייצוג תכונות מעובד בארבעה רכיבים שנוצר על ידי צינור העיבוד המוקדם. פרספטרון רב-שכבתי קלאסי המכיל שכבה נסתרת אחת של שמונה יחידות מופעלות ב-ReLU, תואם אדריכלית לרכיב הקלאסי של המודל ההיברידי אך ללא המעגל הקוונטי, אומן באמצעות אופטימייזר אדם עם עונש L2 של 1 × 10−4. מסווג עץ עם הגברת גרדיאנט אומן גם הוא באמצעות אותו ייצוג בן ארבעה רכיבים עם 200 עצים, עומק עץ מקסימלי של 3, קצב למידה של 0.1, ומשקל מחלקה השווה לתדירות ההפוכה של המחלקה בכל קיפול אימון. בנוסף, מסווג עץ שני עם הגברת גרדיאנט אומן באמצעות ייצוג מלא של 22 תכונות שנוצר לאחר הנורמליזציה הראשונית של Min–Max, ללא יישום PCA או קידוד תכונות קוונטיות. מודל זה השתמש ב-300 עצים, עומק עץ מקסימלי של 4, קצב למידה של 0.05, ואסטרטגיית שקילול מחלקת אימונים הפוכים. קו הבסיס הקלאסי של פרספטרון רב-שכבתי יושם באמצעות MLPClassifier עם hidden_layer_sizes=(8,), activation="relu", solver="adam", alpha=1 × 10⁻4, batch_size="auto", learning_rate_init=0.001, max_iter=500, early_stopping=שקר, ערבוב=נכון, ו-random_state=42. נעשה שימוש באתחול משקל אחיד של Glorot (Xavier) שסופק על ידי המימוש. קווי הבסיס של העץ המוגברים על ידי גרדיאנט יושמו באמצעות XGBoost 3.3.0 עם מטרה = "בינארי: לוגיסטי", eval_metric = "לוגרוס", tree_method = "אוטומטי", תת-מדגם = 1.0, colsample_bytree = 1.0, reg_alpha = 0, reg_lambda = 1, ו-random_state = 42.
כדי להעריך את השפעת איזון מחלקות לאחר הפיצול, חזר על תהליך האימות ההדדי הראשי עבור מודל QI-HCNN עם שקילת דגימה מופעלת. משקלי האיזון חושבו אך ורק מחלוקת האימון של כל קיפול לאחר פיצול רכבת/מבחן ולא חושבו מהמחיצה המתאימה לבדיקה שהוחזקה.
ניסויי אבלציה של רכיבי מעגל בוצעו על ידי חזרה על תהליך העיבוד המוקדם, ההדרכה וההערכה המלאה ארבע פעמים, תוך שינוי רק שתי שכבות השזירה של המעגל הקוונטי. ארבעת גרסאות המעגל כללו: (i) המעגל המלא המכיל את שתי שכבות השזירה; (ii) המעגל שבו שכבת השזירה הראשונה הוסרה והשנייה נשמרה; (iii) המעגל שבו שכבת השזירה הראשונה נשמרה והשנייה הוסרה; ו-(iv) המעגל שבו שתי שכבות השזירה הוסרו. חלוקות קפלים זהות, זרעים אקראיים ותצורות אימון נשמרו בכל ארבעת הניסויים, כך שכל הבדלים בביצועים שנצפו יוכלו להיות מיוחסים אך ורק לתצורת שכבת השזירה.
כהערכת עמידות, בוצעה אימות צולב בקבוצות משתתפים על ידי חלוקת 31 המשתתפים, במקום 195 ההקלטות, לחמש קבוצות שכללו כל אחת שישה עד שבעה משתתפים. בכל איטרציה, המודל אומן באמצעות הקלטות של משתתפים מארבע קבוצות והוערך באמצעות הקלטות של משתתפים מהקבוצה הנותרת, כדי להבטיח שאף משתתף לא תרם הקלטות הן למחלקות האימון והן למבחן של אותו קפל. דיוק, דיוק, שחזור, ציון F1 ו-AUC–ROC דווחו כסטיית תקן ממוצעת ± בין חמשת הקיפולים המבוססים על משתתפים עבור מודל QI-HCNN, הפרספטרון הרב-שכבתי הקלאסי, וקו הבסיס המוגברת על ידי ארבעה מאפיינים. אימות צולב קבוצתי בין משתתפים יושם באמצעות מחלקת GroupKFold עם n_splits=5, כאשר מזהי המשתתפים שימשו כמשתנה הקבוצה. מכיוון ש-GroupKFold אינו מערבב את הקבוצות, המשתתפים הוקצו לפי הסדר הדטרמיניסטי ברירת המחדל של המימוש, מה שהוביל לקיפולים הכוללים שישה או שבעה משתתפים כל אחד.
המובהקות הסטטיסטית הוערכה על ידי יישום מבחני דירוג חתומים של וילקוקסון על ערכי AUC–ROC לכל קיפול שהתקבלו עבור מודלי ההערכה הראשית והבסיס. ערכי p מדויקים ומספרי התצפיות הזוגיות המתאימים דווחו משום שהעוצמה הסטטיסטית של מבחן זה מוגבלת כאשר יש רק מספר קטן של קפלים זמינים. ארבע השוואות זוגיות AUC–ROC הוגדרו מראש: (1) QI-HCNN לעומת הפרספטרון הרב-שכבתי הקלאסי; (2) QI-HCNN לעומת קו הבסיס של העץ המוגבר על ידי גרדיאנט מותאם PCA; (3) הפרספטרון הרב-שכבתי הקלאסי לעומת קו הבסיס של עץ מוגבר בגרדיאנט מותאם ל-PCA; ו-(4) מודל QI-HCNN לא מאוזן לעומת מודל QI-HCNN מאוזן לאחר פיצול. לא יושם תיקון השוואות מרובות משום שהניתוחים היו חקרניים ומספר הקפלים המוגבל הפחית משמעותית את הכוח הסטטיסטי.
ניתוח חשיבות המאפיין בוצע באמצעות מסווג עץ מוגבר בשיפוע האומן על ייצוג מלא של 22 תכונות. ציוני חשיבות תכונות מבוססי רווח הופקו ודורגו עבור כל התכונות האקוסטיות המקוריות. בנפרד, PCA הותאמה למאגר הנתונים המלא למטרות דיווח בלבד ולא שימשה במהלך הערכת המודל. עבור כל תכונה אקוסטית מקורית, העומס המוחלט בין ארבעת הרכיבים העיקריים שנשארו סוכם, והתכונות דורגו לפי ערכים אלו. דווחו גם שיטות הדירוג וגם החפיפה ביניהן. בניתוח חשיבות המאפיינים המבוסס על רווח, מימוש עץ מוגבר על ידי גרדיאנט יצר ערכי רווח נקודה צפה ייחודיים, ולא התרחשו קשרים. עבור דירוגי הטעינה של רכיבי הרכיב הראשי, השוויון בערכי הטעינה המוחלטים הכוללים נפתר לפי סדר עמודות התכונות המקורי במאגר הנתונים.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
תוצאות
כל הערכים המספריים המדווחים בטקסט תואמים וזהו לאלה המוצגים באיורים 2–8 וטבלאות 2–4. כל איור נוצר ישירות מהקוד שסופק בקובץ קידוד משלים 1 במקום שהוכן ידנית, מה שמבטיח עקביות בין הערכים המספריים המדווחים לנתונים שצוירו.
ביצועי אימות צולב ראשוני
בפרוטוקול האימון הלא מאוזן, מודל QI-HCNN השיג דיוק של 0.759 ± 0.007, דיוק של 0.774 ± 0.029, זיכרון של 0.966 ± 0.048, ציון F1 של 0.858 ± 0.003, ושטח מתח...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
דיון
פרוטוקול זה מגדיר ארכיטקטורת QI-HCNN ניתנת לשחזור מלא לסיווג מחלת פרקינסון מהקלטות קול, שבה כל שער, בחירת אתחול פרמטרים, שלב עיבוד מוקדם והליך הערכה מתוארים ברמה מספקת ליישום עצמאי. המעגל המוצע נמדד באמצעות תכונות קלט זהות וחלוקות קיפול צולבות זהות מול קווי בסיס קלאסיים מולטי-שכבתיים של פרספטרון וקווי בסיס של עץ מוגברים בגרדיאנט. עיצוב הבנצ'מרקינג זה, יחד עם הכללת אבלציה מבוקרת של רכיבי מעגל, הערכת עמידות קבוצתית של מטופלים ובדיקות מובהקות סטטיסטיות מפורשות, נועד לקדם את הפרקטיקה המתודול...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
גילויים
ניגוד עניינים:
המחברים מצהירים כי אין להם אינטרסים פיננסיים או לא-פיננסיים מתחרים הקשורים לעבודה זו.
תודות
עבודה זו לא מומנה על ידי אף סוכנות או ארגון, לא טכנית ולא כלכלית. המחברים מודים למנהלי מאגר למידת המכונה של UCI על מתן גישה ציבורית למאגר הנתונים של הקלטת הקול ששימש במחקר זה.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
חומרים
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| Adam optimizer | מימוש סטנדרטי של אופטימיזציה נומרית | מימוש מותאם אישית; NumPy 2.4.4 | אופטימיזציה משותפת של פרמטרים קוונטיים וקלאסיים; אימון מודל |
| מימוש של אובדן בינארי קרוס-אנטרופיה | מימוש מותאם אישית באמצעות NumPy | NumPy 2.4.4; אובדן ממוצע (הפחתה ממוצעת) על פני כל mini-batch | פונקציית אובדן אימון; אימון מודל |
| מסווג עץ מחוזק בגרדיאנט | ספריית גרדיאנט-בוסט פתוחה XGBoost | XGBoost 3.3.0; objective="binary:logistic"; eval_metric="logloss"; tree_method="auto"; random_state=42 | בסיסים קלאסיים מותאמים ל-PCA ובסיסים מלאים; פרוטוקול הערכה |
| ספריית למידת מכונה | ספריית למידת מכונה פתוחה scikit-learn | scikit-learn 1.8.0 | סקלינג מינימלי-מקסימלי, ניתוח רכיבים עיקריים, אימות צולב מורכב, אימות צולב מקובץ משתתפים, בסיס רב-שכבתי של פרצפטרון ומדדי הערכה |
| ספריית מחשוב מספרי | ספריית מחשוב מספרי פתוחה NumPy | NumPy 2.4.4 | פעולות מערך ליבה, סימולציה של מצב-וקטור, אתחול פרמטרים וחישוב גרדיאנט ידני |
| מחלת פרקינסון סיווג מערך נתונים | Little, McSharry, Roberts, Costello, ו-Moroz; מופץ דרך מאגר למידת מכונה של UCI | מזהה מאגר UCI 174; 195 הקלטות מ-31 משתתפים; נגיש ב-19 ביוני, 2025 | מקור מערך הקלטות קול תנועה ממושך; https://archive.ics.uci.edu/dataset/174 |
| ספריית מחשוב מדעי | ספריית מחשוב מדעי פתוחה SciPy | SciPy 1.17.1 | בדיקת משמעות סטטיסטית של דירוג חתום ווילקוקסון; פרוטוקול הערכה |
| סימולטור מצב-ווקטור | סימולטור מצב-ווקטור מותאם אישית (קובץ קוד משלים 1; qhcnn.py) | יישום NumPy טהור; דיוק complex128 (כפול); ללא צורך ב-backend חיצוני | ביצוע מעגל קוונטי של ארבעה קוויטים; בניית מעגל קוונטי |
| ספריית נתונים טבלאיים | ספריית ניתוח נתונים פתוחה Pandas | Pandas 3.0.2 | טעינת מערך נתונים, בדיקה ומניפולציה טבלאית |
| סביבת חישוב של תחנת עבודה | תחנת עבודה מקומית ב-CPU (מכולת Linux מארחת בענן) | CPU x86_64; Ubuntu Linux; Python 3; ללא שימוש ב-GPU או בחומרה קוונטית; זמן אימון משוער על שעון הקיר של 30–60 שניות לכל קיפול | סביבת חישוב המשמשת לכל האימונים וההערכה; סימולציה של מצב-ווקטור מבוססת CPU; ללא צורך ב-GPU או בחומרה קוונטית |
מקורות
- Rabie H, Akhloufi MA. A review of machine learning and deep learning for Parkinson's disease detection. Discov Artif Intell. 2025;5:24.
- Devi SVA, et al. Hybrid deep learning methods for enhancing Parkinson's disease early detection [conference presentation]. Presented at: 4th International Conference on Smart Applications, Data and Living (ICSADL); 2025; Bhimdatta, Nepal. IEEE. p. 1462-1469. Available from: https://doi.org/10.1109/ICSADL65848.2025.10933259.
- Little MA, et al. Exploiting nonlinear recurrence and fractal scaling properties for voice disorder detection. Biomed Eng Online. 2007;6:23.
- Costantini G, et al. Artificial intelligence-based voice assessment of patients with Parkinson's disease off and on treatment. Sensors (Basel). 2023;23(4):2293.
- Gunduz H. Deep learning-based Parkinson's disease classification using vocal feature sets. IEEE Access. 2019;7:115540-115551.
- Naeem I, et al. Voice biomarkers as prognostic indicators for Parkinson's disease using machine learning techniques. Sci Rep. 2025;15:12129.
- Ebrahimzadeh E, et al. Explainable machine learning for early detection of Parkinson's disease in aging populations using vocal biomarkers. Front Aging Neurosci. 2025;17:1672971.
- Alishah S. An explainable ensemble and deep learning framework for accurate and interpretable Parkinson's disease detection from voice biomarkers. Diagnostics (Basel). 2025;15(22):2892.
- Mitarai K, Negoro M, Kitagawa M, Fujii K. Quantum circuit learning. Phys Rev A. 2018;98(3):032309.
- Alissa M, et al. Parkinson's disease diagnosis using convolutional neural networks and figure-copying tasks. Neural Comput Appl. 2022;34(2):1433-1453.
- Kumari GRP, Ravi Kanth M, Kamal MV. Parkinson's disease early detection using hybrid attentive CNN-transformer model. Neural Comput Appl. 2025;37(32):26523-26543.
- Palakayala R, Kuppusamy P. AttentionLUNet: a hybrid model for Parkinson's disease detection using MRI brain. IEEE Access. 2024;12:91752-91769.
- Wang X, et al. A light-weight CNN model for efficient Parkinson's disease diagnostics [conference presentation]. Presented at: IEEE International Symposium on Computer-Based Medical Systems (CBMS); 2023; L'Aquila, Italy. IEEE. p. 616-621. Available from: https://doi.org/10.1109/CBMS58004.2023.00289.
- Haq I, et al. Lung nodules localization and report analysis from computerized tomography (CT) scan using a novel machine learning approach. Appl Sci. 2022;12(24):12614.
- Alzaidi A, et al. Comparative study of deep learning models for Parkinson's disease detection using the UCI vocal dataset. TBench. 2025;5(2):10021
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.